小波包能量谱在睡眠分期中的应用

利用小波包技术,根据脑电信号在不同睡眠状态下各脑电节律所占的成分不同,提出一种基于小波包能量谱的睡眠脑电分期方法。首先依据脑电信号各节律的频率特点选择好分解层数对信号进行小波包分解,再重构信号,提取出睡眠脑电信号的各节律;然后运用小波包能量谱计算各节律所占的能量比重;最后用3例脑电数据进行实验。实验结果表明,不同睡眠状态下各脑电节律所占比重不同,随着睡眠的深入,睡眠脑电节律θ和δ所占的能量比重增大,而节律α和β所占的比重在减少。因此,可以运用睡眠脑电信号中各节律所占的成分不同来区分不同的睡眠状态,并可作为睡眠分期的一个特征参数。     

基于模糊熵的脑电睡眠分期特征提取与分类

提出了一种基于模糊熵(FuzzyEn)的脑电睡眠分期特征提取新方法.作为样本熵(SampEn)算法的改进,模糊熵以一指数函数模糊化相似性度量公式,使得模糊熵值能够随参数变化过渡平滑,并且在参数值很小的情况下其定义仍有意义,同时继承了样本熵的相对一致性和短数据集处理特性.以8例受试者睡眠脑电监测数据及专家人工分期结果作为样本,提取睡眠各分期脑电数据模糊熵特征值,进而用支持向量机(SVM)分类.基于模糊熵的方法平均正确率达87.1%,优于样本熵方法获得的分类结果(83.0%),两种特征提取方法在采用不同的SVM核函数情况下,其分类结果在95%的置信区间内均保持显著性差异.实验结果表明,该模糊熵方法能有效地表征脑电睡眠各分期的复杂度.     

基于脑电和肌电多特征的自动睡眠分期方法

为实现准确的自动睡眠分期,且满足泛化能力的需求,基于脑电(EEG)和肌电(EMG)多特征,提出一种自动睡眠分期方法。以MIT-BIH多导睡眠数据库中样本的EEG和EMG为分析对象,采用离散小波变换对原始数据进行滤波预处理,提取EEG的α,β,θ,δ节律波和高频成分的能量比,利用样本熵算法提取EEG的非线性特征。将特征参数输入支持向量机分类器中进行样本训练与分类识别。实验结果表明,该方法的分期准确率可以达到92.94%,相比基于EEG的睡眠分期方法平均准确率提高3.96%,交叉验证平均准确率达82.68%,具有较好的泛化能力。     

基于小波包变换的精神疲劳多参数脑电分析

研究脑力劳动和运动引起的精神疲劳与脑电特征参数之间的相关性,以及这些特征参数在不同状态下的变化规律。通过对两种精神疲劳状态以及不疲劳状态下采集的脑电信号进行小波包分析,提取出脑电各节律并计算脑电对数能量熵,定性分析了各特征参数与不同状态间的关联性。实验结果表明,相较于不疲劳状态而言,前额叶区的脑电各节律相对功率和脑电对数能量熵在两种精神疲劳状态下均有显著变化。因此,前额叶区的脑电各节律相对功率与脑电对数能量熵可以作为衡量精神疲劳的生理指标。     

小波包熵在脑电信号分析中的应用

为研究不同脑功能状态下脑电动态非线性特征,利用小波包变换的频率划分特性,对非平稳脑电信号进行节律提取,并计算相对小波能量,反映脑电节律间的相对能量关系。结合小波包熵分析脑电在不同大脑功能状态下的脑电复杂程度。实验结果表明,小波包分解能更精确地提取特定的脑电节律,小波包熵可以准确反映大脑活动的复杂程度。本方法也为分析其他非平稳信号提供了一种新的途径。     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

基于MSE-PCA的脑电睡眠分期方法研究

针对传统的自动睡眠分期准确率不足问题,提出一种将多尺度熵(MSE)和主成分分析(PCA)联合使用的自动睡眠分期方法。以8例受试者睡眠脑电(EEG)监测数据及专家人工分期结果作为样本,首先使用MSE表征受试者脑电信号不同睡眠期的非线性动力学特征;然后使用PCA的前两个主成分向量代替MSE特征进行降维,实现降低数据冗余的同时保留绝大多数EEG非线性特征;最终将新向量的特征参数输入到反馈神经网络(BPNN)分类器中实现MSE-PCA模型的脑电睡眠状态的自动识别分类。实验结果表明,自动分期准确率可达到87.9%,kappa系数0.77,该方法能提高脑电自动睡眠分期系统的准确率和稳定性。     

基于脑电模糊分析的睡眠分期方法研究

利用脑电信号模糊特征分类的方法对睡眠进行分期研究。首先对脑电信号进行预处理,滤除干扰噪声后使用模糊熵算法、多尺度熵算法以及复杂度算法对脑电信号进行特征参数提取,采用最小二乘支持向量机（the Least Squares Support Vector Machine,LS-SVM）对特征参数进行分类,并将睡眠过程分为清醒期、浅睡期、深睡期和快速眼动期（Rapid Eye Movement,REM）,获得分期正确率。最后通过上述方法对2?000组睡眠脑电样本进行睡眠分期测试,与专家人工分期结果进行比对,将复杂度输入到最小二乘支持向量机进行分类的平均正确率是92.65%,高于模糊熵和多尺度熵作为最小二乘向量机的输入时的准确率。基于模糊特征的复杂度提取的特征参数可以作为睡眠分期的有效依据,在保证准确度的前提下,降低人工成本。     

二次滑动粗粒化的快速样本熵脑电情感分析

针对传统单一尺度样本熵对脑电信号(EEG)序列特征提取不明显、多尺度熵在粗粒化过程中会遗漏重要信息导致情感分类性能下降以及样本熵算法效率不高的问题,提出了一种基于二次滑动均值粗粒化的多尺度快速样本熵脑电特征提取方法。由于不同情感的脑电信号存在差异性,先采用二次滑动均值粗粒化对脑电信号进行多尺度处理,然后利用快速样本熵算法提取不同时间尺度的样本熵值作为特征向量,结合随机森林(RF)分类模型来识别不同的情感状态。提出的方法对多模态标准情感数据库DEAP进行了研究,发现大脑额区和右脑对情感比较敏感,正性、中性和负性情感在大脑侧额区获得了88.75%的平均分类准确率。实验结果表明,该方法可以有效地提取脑电特征,并且能够保证算法的效率。     

睡眠脑电的关联维数和样本熵分析

睡眠分期特征的正确提取是睡眠分析的基础.本研究首先将关联维数方法应用于睡眠脑电信号,发现随着睡眠的加深,脑电信号的关联维数减小:然后介绍了一种新的非线性方法--样本熵,并将该算法应用于脑电信号,统计发现:样本熵与关联维数的变化趋势相同,可以用来提取睡眠分期特征.进而改变数据段长度,分析其对两种算法的影响,发现关联维数方法对数据段长度变化的影响较样本熵明显.